NVIDIA-Nemotron-Parse-2.0
NVIDIA Nemotron Parse 2.0 transformiert Dokumentbilder in strukturierte, maschinenlesbare Darstellungen mit Text, Layout-Klassen, Begrenzungsrahmen und Leseordnungsinformationen.
Steckbrief
Parameter
Kontextlänge
Architektur
Aufbau
Gewichte gespeichert als
Aufgabe
Sprachen
Basiert auf
Veröffentlicht
Zuletzt aktualisiert
Downloads (letzte 30 Tage)
Lizenz und Zugang
Lizenz
Zugang
Sicherheit
Sicherheitsscan von Hugging Face
Gewichtsdateien nach Format
Prüfungen von Facthory
Alle Gewichtsdateien sind Safetensors oder GGUF.
Keine Datei markiert.
Die Modellkarte gibt ihre Lizenz an.
Die Modellkarte berichtet Sicherheits- oder Schadensbewertungen mit ihren Ergebnissen.
GPU-Rechner
Wie viel Speicher dieses Modell bei einer Quantisierung, Kontextlänge und Zahl gleichzeitiger Sequenzen braucht, welche GPUs es aufnehmen und wie schnell es generieren kann. Schätzungen aus der veröffentlichten Größe und dem Aufbau des Modells, mit den Annahmen unten.
Gewichte
Kontext je Sequenz: 8K Token
Gleichzeitige Sequenzen: 1
KV-Cache
Speicher
2 GB
Gewichte: 1,8 GB
KV-Cache: –
Laufzeit: 0,2 GB
Der Aufbau des Modells ist nicht veröffentlicht, daher ist der KV-Cache nicht enthalten.
| GPU | Speicher | Benötigte GPUs | Je Sequenz | Alle Sequenzen |
|---|---|---|---|---|
| NVIDIA L4 | 24 GB | 1 × | 100 Token/s | 100 Token/s |
| NVIDIA L40S | 48 GB | 1 × | 287 Token/s | 287 Token/s |
| NVIDIA RTX 6000 Ada | 48 GB | 1 × | 319 Token/s | 319 Token/s |
| NVIDIA RTX PRO 6000 Blackwell | 96 GB | 1 × | 595 Token/s | 595 Token/s |
| NVIDIA A100 80GB SXM | 80 GB | 1 × | 677 Token/s | 677 Token/s |
| NVIDIA H100 SXM | 80 GB | 1 × | 1.113 Token/s | 1.113 Token/s |
| NVIDIA H200 SXM | 141 GB | 1 × | 1.595 Token/s | 1.595 Token/s |
| AMD Instinct MI300X | 192 GB | 1 × | 1.761 Token/s | 1.761 Token/s |
| AMD Instinct MI325X | 256 GB | 1 × | 1.993 Token/s | 1.993 Token/s |
Annahmen
- Laufzeitspeicher (Aktivierungen, Puffer) beträgt 10 % von Gewichten und KV-Cache, dazu 1 GB je GPU für das Framework.
- Eine GPU wird zu höchstens 90 % ihres Speichers belegt; Tensor-Parallelität nutzt 1, 2, 4 oder 8 GPUs in einem Server.
- Die Generierung ist durch die Speicherbandbreite bei 60 % der Herstellerangabe begrenzt: Jeder Schritt liest die Gewichte einmal und den KV-Cache jeder Sequenz. Ein Mixture-of-Experts-Modell liest nur seine aktiven Experten und läuft daher schneller als gezeigt.
- Speicher und Bandbreite der GPUs sind die veröffentlichten Herstellerangaben.
Profil
Art
Herkunft
Familie
Einsatz
Ein- und Ausgabe
Am 15.11.2026 von Workers AI (@cf/zai-org/glm-4.7-flash) aus der Modellkarte und den Metadaten des Hubs verfasst: eine Lesart des Anbietertexts, von Facthory nicht geprüft.
Veröffentlichte Benchmarks
Die Modellkarte veröffentlicht keine Benchmark-Ergebnisse.
EU AI Act
Was der EU AI Act von einem KI-Modell mit allgemeinem Verwendungszweck verlangt, hängt davon ab, wer es wie in der EU in Verkehr bringt. Diese Angaben sind dafür maßgeblich:
- Lizenz: openmdw-1.1
- Zugang: Gewichte ohne Freigabe herunterladbar
- Parameter: 903 Mio.
KI-Modell mit allgemeinem Verwendungszweck (Artikel 3 Nummer 63)
Nicht bestimmt. Es ist keine Schätzung des Trainingsaufwands veröffentlicht, die der Richtwert der Kommission (10²³ FLOP) braucht. Ist es ein KI-Modell mit allgemeinem Verwendungszweck, binden die folgenden Pflichten seinen Anbieter.
Systemisches Risiko (Artikel 51)
Nicht vermutet. Es ist keine Schätzung des Trainingsaufwands veröffentlicht; ohne sie oder eine Einstufung durch die Kommission nach Artikel 52 gilt Artikel 55 nicht.
Open-Source-Ausnahme (Artikel 53 Absatz 2)
Gilt nicht. Seine Lizenz (openmdw-1.1) ist keine freie und quelloffene Lizenz, die jedem erlaubt, das Modell zu nutzen, zu untersuchen, zu ändern und weiterzugeben.
Verhaltenskodex für KI-Modelle mit allgemeinem Verwendungszweck
NVIDIA steht nicht auf der Liste der Unterzeichner der Europäischen Kommission. Der Kodex ist freiwillig.
Was Modellkarte und Anbieter dokumentieren
Die Modellkarte veröffentlicht einen Teil der Angaben der technischen Dokumentation.
